| dc.description | Objetivo. El diagnóstico diferencial de la variante conductual de la demencia frontotemporal (bvFTD) y
La enfermedad de Alzheimer (EA) sigue siendo un desafío en grupos subrepresentados y subdiagnosticados,
incluidos los latinos, ya que los biomarcadores avanzados rara vez están disponibles. Directrices recientes para el estudio de
demencia destacan el papel fundamental de los biomarcadores. Por lo tanto, nuevos complementarios rentables
Se requieren enfoques en entornos clínicos. Acercarse. Desarrollamos un marco novedoso basado en un
clasificador de aprendizaje automático que aumenta el gradiente, ajustado por la optimización bayesiana, en una función múltiple
enfoque multimodal (que combina imágenes demográficas, neuropsicológicas y de resonancia magnética)
(IRM) y electroencefalografía/datos de conectividad de IRM funcional) para caracterizar
neurodegeneración utilizando la armonización del sitio y la selección de características secuenciales. Evaluamos 54
DFTvc y 76 pacientes con EA y 152 controles sanos (HC) de un consorcio latinoamericano
(ReDLat). Resultados principales. El modelo multimodal arrojó una alta clasificación de área bajo la curva
(pacientes con DFTvc frente a HC: 0,93 (±0,01); pacientes con EA frente a HC: 0,95 (±0,01); DFTvv frente a EA
pacientes: 0,92 (±0,01)). El enfoque de selección de características filtró con éxito información no informativa
marcadores multimodales (de miles a decenas). Resultados. Probado robusto contra multimodal
heterogeneidad, variabilidad sociodemográfica y datos faltantes. Significado. El modelo con precisión
subtipos de demencia identificados utilizando medidas fácilmente disponibles en entornos subrepresentados, con un
rendimiento similar al de los biomarcadores avanzados. Este enfoque, si se confirma y replica, puede
complementar potencialmente las evaluaciones clínicas en los países en desarrollo. | |
